شیمیدان‌ها در دهه‌های گذشته قدم‌های بزرگی در کشف مواد جدید و کارآمد برداشته‌اند. برای مثال در بخش پلیمرها، پیشرفت‌های اخیر در «ترموپلاستیک‌ها» روی کاربردهای مختلفی از رنگ‌های جدید گرفته تا الیاف لباس تاثیر گذاشته‌اند. در حالی که این پیشرفت‌ها موجب حرکت صنعت شده‌اند، اما کشف شمار بالایی مواد جدید در زمان کوتاه، از توانایی متخصصان انسانی خارج است.
در همین راستا، هوش مصنوعی می‌تواند کارایی بالایی داشته باشد. پلتفرم هوش مصنوعی MolGX با مشاهده و انتخاب یک مجموعه داده، می‌تواند از مدل‌های مولد و خواص شیمیایی مانند «حلالیت در آب» یا «حرارت‌پذیری» برای تولید مولکول‌ها استفاده کند.
این پلتفرم یک مدل هوش مصنوعی را برای پیش‌بینی مشخصات شیمیایی در محدوده موردنظر آموزش می‌دهد و ساختارهای مولکولی را بر اساس مدل ساخته شده، ترکیب می‌کند.
به گفته مدیر فنی کشف مواد IBM به نام «سیجی تاکدا»، توسعه مواد جدید با چندین راه امکان‌پذیر است که به ماهیت مسئله و ابزارهای تحقیق بستگی دارد: «روش‌های کشف مواد جدید می‌تواند کاملا شانسی باشد یا اینکه با رویکرد‌های آزمون و خطا روبه‌رو باشیم. در حالی که این روش‌ها منجر به پیشرفت‌های زیادی شده‌اند، چالش‌ها و الزامات برای مواد جدید پیچیده‌تر هستند و همچنین تقاضا و مشکلات زیادی برای مواد جدید وجود دارند. با توجه به اینکه جهان با مشکلاتی مانند همه‌گیری‌ها و تغییرات اقلیمی دست و پنجه نرم می‌کند، طراحی سریعتر داروها و مواد جدید در مقیاس مولکولی بسیار بااهمیت‌تر شده‌اند.»
IBM یک نمونه آزمایشی رایگان از MolGX ارائه کرده که با استفاده از یک مجموعه داده آموزش دیده است. نسخه حرفه‌ای این پلتفرم هوش مصنوعی با قابلیت‌های بیشتر مانند آپلود دیتا، خروجی گرفتن از نتایج و مدل‌های شخصی‌سازی شده را می‌توان با پرداخت هزینه تهیه کرد.
در کنار IBM، استارتاپ‌های دیگری مانند «Kebotix» هم ابزارهای هوش مصنوعی برای خودکارسازی آزمایش‌های آزمایشگاهی برای کشف مواد جدید توسعه داده‌اند که سریعتر از تکنیک‌های دستی به نتیجه می‌رسند.
